ChatGPT Work sert à transformer une intention en livrable concret, pas juste à obtenir une réponse. Le vrai sujet, c’est le choix du bon modèle, le contexte disponible, le mode Plan, les Sites interactifs et le bon équilibre entre coût, vitesse, confidentialité et résultat.
Besoin d'aide ? Découvrez les solutions de notre agence Openai GPT.
Pourquoi ChatGPT Work change quoi ?
ChatGPT Work change surtout la manière de piloter le travail avec l’IA, parce qu’on part d’un objectif métier, pas juste d’une question balancée dans une fenêtre de chat.
Pour moi, le vrai sujet n’est plus seulement “quel modèle est le plus intelligent ?”. C’est plutôt “qu’est-ce que je peux produire avec lui dans mon environnement de travail, avec mes fichiers, mes contraintes, mes outils, mes délais ?”. C’est là que ça devient concret.
Une utilisation classique de ChatGPT, c’est souvent une IA qui répond. Vous posez une question, elle donne une réponse. C’est utile, parfois très utile. Mais ça reste souvent fragmenté. ChatGPT Work pousse une logique plus orientée exécution. L’IA peut s’appuyer sur du contexte, des documents, des données, des consignes internes, puis avancer vers un livrable complet.
La différence est simple. D’un côté, vous avez une IA qui vous donne une idée. De l’autre, vous avez une IA qui vous aide à structurer, produire, corriger et finaliser quelque chose d’utilisable.
Quelques exemples très simples :
- Préparer un tableau de bord à partir d’un fichier de ventes.
- Transformer des données brutes en synthèse claire pour un comité de direction.
- Organiser un calendrier éditorial avec les thèmes, les formats et les dates.
- Produire un premier prototype d’application ou de workflow.
- Consolider des informations issues de plusieurs fichiers pour sortir une recommandation.
Sur le terrain, je vois souvent le même problème chez les clients. Le blocage ne vient pas du modèle. Il vient du flou dans la demande. Ou du manque de contexte. Ou du fait qu’on attend un résultat parfait sans jamais valider les étapes intermédiaires. C’est un peu comme demander à un consultant de livrer une stratégie sans brief, sans données, sans objectif clair. Ça finit rarement bien.
ChatGPT Work devient intéressant quand il oblige justement à clarifier l’objectif avant de produire. Qu’est-ce qu’on veut livrer ? Pour qui ? Avec quelles sources ? Quel niveau de détail ? Quelle forme finale ? Ce cadrage change tout.
| Utilisation classique de ChatGPT | Utilisation orientée ChatGPT Work |
| Je pose une question isolée. | Je pars d’un objectif métier clair. |
| L’IA répond à une demande ponctuelle. | L’IA aide à avancer sur une tâche complète. |
| Le contexte est souvent limité au prompt. | Le contexte vient aussi des fichiers, outils et consignes. |
| Le résultat est une réponse. | Le résultat est un livrable exploitable. |
Quel modèle GPT-5.6 choisir ?
Le bon modèle GPT-5.6 dépend du niveau de difficulté, du volume et du budget, pas d’un classement abstrait. C’est vraiment le point à garder en tête, parce que sinon on finit vite à choisir “le plus puissant” par réflexe, même quand ce n’est pas utile.
Sol, c’est le modèle que je garde pour les sujets lourds. Les tâches agentiques complexes, par exemple quand l’IA doit enchaîner plusieurs actions, vérifier des infos, prendre une décision intermédiaire, puis continuer. Je l’utilise aussi pour les gros raisonnements, le codage difficile, ou la conception de workflows d’automatisation avec plusieurs étapes. Typiquement, si je dois penser une architecture entre Notion, Make, Airtable, un CRM et une base SQL, je préfère Sol. Il coûte plus cher, mais il évite souvent les erreurs bêtes sur les sujets compliqués.
Terra, c’est le compromis que je vois revenir le plus souvent en entreprise. Il donne un bon niveau de qualité, sans faire exploser le budget. Pour des analyses régulières, des synthèses de documents, des réponses assistées, des comptes rendus ou de la production de contenu avec un niveau sérieux, il fait très bien le job. Chez un client, on avait commencé avec le modèle le plus fort partout. Belle idée sur le papier. Mauvaise surprise sur la facture. En passant une grosse partie des usages sur Terra, la qualité est restée stable, mais le coût a vraiment baissé.
Luna, c’est le modèle que je choisis quand la vitesse et le volume comptent plus que la profondeur maximale. Classification de tickets, reformulation de descriptions produits, extraction simple d’informations, nettoyage de textes, pré-tri d’emails. Là, je ne veux pas payer Sol pour lire 50 000 lignes et mettre une étiquette “urgent”, “commercial”, “support” ou “autre”. Luna est fait pour ça.
Je ne juge pas GPT-5.6 uniquement sur sa capacité à gagner des benchmarks. Un benchmark, c’est un test standardisé. Utile, oui. Suffisant, non. Dans une vraie entreprise, le sujet c’est souvent le compromis entre coût, vitesse et qualité de sortie.
Je ne recommande pas de choisir un modèle une fois pour toutes. Je préfère mapper les cas d’usage, tester sur des exemples réels, mesurer le temps gagné, la qualité, le coût et les erreurs. C’est moins sexy qu’une fiche technique, mais beaucoup plus fiable.
| Modèle | Usage idéal | Avantage | Limite |
| Sol | Tâches agentiques complexes, architecture d’automatisation, codage difficile | Très bon raisonnement et meilleure tenue sur les workflows longs | Coût plus élevé |
| Terra | Analyses régulières, synthèses, production de contenus, assistance métier | Bon équilibre entre qualité, vitesse et budget | Moins adapté aux raisonnements très profonds |
| Luna | Classification, reformulation, extraction simple, gros volumes | Rapide et économique | Moins pertinent pour les tâches complexes |
Que fait le mode Plan ?
Le mode Plan sert à cadrer la tâche avant de la lancer, pour éviter que l’IA parte trop vite dans une mauvaise direction.
C’est central dans ChatGPT Work, parce que le vrai sujet n’est pas juste de produire plus vite. Le vrai sujet, c’est de produire juste. Et pour ça, il faut que l’IA comprenne l’objectif, les contraintes, les sources disponibles, le format attendu, et surtout ce qu’elle ne sait pas encore.
Le fonctionnement est assez simple. Vous donnez un objectif, par exemple “prépare une analyse de ces fichiers” ou “aide-moi à construire une stratégie SEO”. ChatGPT peut alors demander des précisions si quelque chose manque, proposer une structure, un angle d’analyse ou un plan d’action. Puis vous validez avant qu’il exécute vraiment. Ça remet une étape de cadrage là où elle manque souvent.
Cette étape améliore beaucoup la qualité du livrable, parce qu’elle rend visibles les hypothèses. Si l’IA suppose que votre cible est B2B alors que vous vendez aussi en B2C, vous le voyez avant d’avoir une stratégie complète à reprendre. Si les données sont incomplètes, ça ressort tout de suite. Si les priorités ne sont pas claires, elles peuvent être discutées avant la production.
| Tâche | Ce que le mode Plan aide à cadrer |
| Analyse de fichiers | Les colonnes utiles, les contrôles à faire, les limites des données. |
| Stratégie SEO | Les personas, les mots-clés, les contenus prioritaires, les angles à éviter. |
| Reporting business | Les indicateurs, la fréquence, le niveau de détail, les destinataires. |
| Note de synthèse | Le message principal, les sources, la hiérarchie des idées. |
| Prototype ou automatisation low code | Les étapes, les outils, les déclencheurs, les données à connecter. |
Dans les missions data, IA ou automatisation, je vois souvent des équipes demander directement une sortie finale à l’IA. Puis elles passent vingt minutes à corriger, reformuler, recadrer, parfois repartir de zéro. Le mode Plan remet la validation humaine au bon endroit. C’est un peu plus lent au départ, oui. Mais dans la vraie vie, c’est souvent plus rapide à la fin.
- Formuler l’objectif clairement, avec le résultat attendu.
- Préciser le format souhaité, comme une note, un tableau, un plan ou une synthèse.
- Indiquer les sources disponibles, et dire ce qui manque si vous le savez.
- Valider le plan avant de demander la production finale.
- Demander une exécution progressive quand la tâche est longue ou sensible.
À quoi servent les Sites ?
Les Sites servent à transformer une demande en page web interactive exploitable, pas seulement en texte statique. C’est ça l’idée simple. Au lieu d’obtenir une réponse que vous copiez dans un document, vous pouvez produire une page vivante, manipulable, partageable, avec une interface qui aide vraiment à comprendre ou décider.
Dans ChatGPT Work, je vois ça comme un format de livrable plus proche d’un petit outil que d’un simple compte rendu. Vous pouvez demander un tableau de bord, un calendrier, un prototype d’outil interne, une page de synthèse projet, ou une interface simple qui présente des données de manière claire. Si les sources changent, le Site peut être ajusté plus vite qu’un document figé.
Le vrai intérêt business est assez concret. On visualise mieux, on teste plus vite, on partage plus facilement, et on itère sans repartir de zéro. J’ai déjà vu des équipes perdre des heures dans des fichiers où personne ne savait quelle version était la bonne. Avec un Site bien construit, tout le monde regarde la même chose, avec le même contexte.
Quelques exemples parlent mieux qu’un long discours :
- Un tableau de suivi marketing pour voir les campagnes, les budgets, les leads générés et les prochaines actions.
- Un calendrier de publication pour suivre les contenus prévus, les responsables, les statuts et les dates clés.
- Un prototype d’outil interne pour simuler un formulaire, un workflow ou une interface avant de demander du développement.
- Un mini dashboard de performance pour piloter des ventes, du support client ou des indicateurs opérationnels.
- Une page de synthèse projet pour regrouper les objectifs, les risques, les décisions et l’avancement.
La valeur vient de la combinaison entre le contexte, les données et l’interface. Le contexte donne le sens. Les données donnent la matière. L’interface rend tout ça exploitable par des humains pressés.
Mais ce n’est pas magique. Si vos données sont mal structurées, incomplètes ou ambiguës, le Site risque juste de rendre le désordre plus joli. Le vrai travail reste de préparer les sources, de clarifier les règles, puis de valider les résultats. ChatGPT Work accélère, mais il ne remplace pas le jugement métier.
| Type de livrable | Usage adapté | Limite |
| Texte | Clarifier une idée, résumer une réunion, rédiger une note ou une recommandation. | Peu pratique pour explorer des données ou manipuler plusieurs scénarios. |
| Tableau | Comparer, suivre, prioriser, organiser des informations structurées. | Devient vite lourd quand il faut raconter une histoire ou guider une décision. |
| Site interactif | Visualiser, tester, partager et piloter avec une interface simple et exploitable. | Dépend fortement de la qualité des données et du cadrage initial. |
Quand choisir l’open-weight ?
Je choisis l’open-weight quand la confidentialité, la personnalisation ou l’indépendance technique comptent plus que la simplicité d’une API prête à l’emploi.
Un modèle open-weight, c’est un modèle dont les poids sont accessibles. Les poids, pour simplifier, ce sont les paramètres appris pendant l’entraînement. Ça ne veut pas dire que tout est gratuit, magique ou simple à exploiter. Ça veut dire que je peux l’exécuter dans mon propre environnement, avec mes règles, mes serveurs, mes contraintes de sécurité.
Les modèles comme gpt-oss-120b et gpt-oss-20b entrent dans cette logique. Le 120b vise plutôt les usages exigeants, avec plus de capacité de raisonnement et de compréhension, mais aussi plus de besoins en infrastructure. Le 20b est plus léger, plus simple à tester, parfois suffisant pour des cas ciblés comme la classification, l’extraction, l’assistance interne ou des automatisations bien cadrées.
L’auto-hébergement permet surtout de garder davantage de contrôle. Je peux choisir où tourne le modèle, comment les logs sont gérés, quelles données sortent ou ne sortent pas, et comment l’intégrer dans mon système d’information. Pour certaines boîtes, c’est non négociable. J’ai déjà vu des équipes juridiques ou industrielles bloquer un projet IA non pas parce que le modèle était mauvais, mais parce que les données ne pouvaient juste pas partir chez un fournisseur externe.
Mais il faut être clair. L’open-weight n’est pas automatiquement moins cher. Ni automatiquement plus performant. Il faut payer l’infrastructure, l’exploitation, la sécurité, la supervision, les mises à jour, les tests, la maintenance. Et il faut des gens capables de gérer ça proprement. Sinon, on remplace une facture API par une usine à gaz interne.
Pour moi, la bonne stratégie est souvent hybride. J’utilise ChatGPT Work pour avancer vite sur les workflows business, les usages collaboratifs, les assistants internes, les tâches du quotidien. Et je réserve l’open-weight aux cas où le contrôle vaut vraiment l’effort.
| Besoin | Meilleure option | Raison |
| Démarrer vite avec des équipes métier | ChatGPT Work | Produit intégré, simple à déployer, peu de charge technique. |
| Données très sensibles | Open-weight auto-hébergé | Meilleur contrôle sur l’environnement et les flux de données. |
| Personnalisation forte d’un usage interne | Open-weight ou approche hybride | Possibilité d’adapter finement le modèle et les pipelines. |
| Exigences de souveraineté | Open-weight auto-hébergé | Réduction de la dépendance à un fournisseur unique. |
| Productivité bureautique et workflows business | ChatGPT Work | Le gain vient surtout de l’adoption rapide par les utilisateurs. |
| Contrôle des coûts à très grande échelle | À évaluer au cas par cas | L’open-weight peut aider, mais l’infrastructure et l’exploitation pèsent lourd. |
Alors, on choisit ChatGPT Work pour quoi faire ?
Je retiens surtout une chose : ChatGPT Work vaut le coup quand on l’utilise comme un outil d’exécution, pas comme un moteur de réponses sympa. Le choix entre Sol, Terra et Luna doit partir des usages réels, du coût, du volume et du niveau d’exigence. Le mode Plan aide à cadrer, les Sites rendent certains livrables plus concrets, et l’open-weight garde du sens pour les besoins forts de contrôle. Pour vous, le bénéfice est simple : moins de flou, moins d’allers-retours, et une IA qui produit enfin quelque chose d’utilisable.
FAQ
- ChatGPT Work sert à quoi concrètement ?
ChatGPT Work sert à partir d’un objectif de travail pour produire un livrable exploitable. L’intérêt n’est pas juste d’avoir une réponse, mais de cadrer une tâche, utiliser le contexte disponible, proposer un plan, puis avancer vers un résultat concret comme une analyse, un prototype, un tableau de bord ou une page interactive. - Quelle différence entre Sol, Terra et Luna ?
Sol vise les tâches les plus difficiles, notamment les workflows agentiques et le codage complexe. Terra est le choix équilibré pour obtenir un bon compromis entre qualité et coût. Luna est adapté aux tâches rapides, répétitives ou à gros volume, quand la vitesse et le prix comptent beaucoup. - Le mode Plan est-il vraiment utile ?
Oui, parce qu’il évite de lancer trop vite une production mal cadrée. Le mode Plan pousse à préciser l’objectif, les contraintes, les sources et le format attendu. Dans une équipe, ça réduit les malentendus et ça place la validation humaine avant l’exécution, là où elle a le plus de valeur. - Les Sites remplacent-ils un vrai outil de dashboard ?
Pas forcément. Les Sites sont surtout utiles pour créer rapidement une page interactive, un prototype, un calendrier ou une visualisation vivante. Pour un pilotage industriel avec gouvernance, droits d’accès, métriques certifiées et historique robuste, un outil de BI ou une stack data reste souvent nécessaire. - Quand faut-il préférer un modèle open-weight ?
Un modèle open-weight devient intéressant quand vous avez des contraintes fortes de confidentialité, de personnalisation ou d’indépendance vis-à-vis d’une API. Mais il faut aussi assumer l’infrastructure, la sécurité, la maintenance et les compétences techniques. Pour beaucoup d’entreprises, une approche hybride reste la plus réaliste.
A propos de l’auteur
Je suis Franck Scandolera, expert et formateur en tracking avancé server-side, Analytics Engineering, automatisation No/Low Code avec n8n, intégration de l’IA en entreprise et SEO/GEO. J’accompagne des équipes qui veulent passer des tests IA un peu dispersés à des workflows utiles, mesurables et propres. Je dirige l’agence webAnalyste et l’organisme Formations Analytics. J’ai travaillé avec des références comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez structurer vos usages IA et automatisation, contactez-moi.
⭐ Analytics engineer, Data Analyst et Automatisation IA ⭐
- Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…
Mon terrain de jeu :
- Data Analyst & Analytics engineering : tracking avancé (GA4, Matomo, Piano, GTM server, Tealium, Commander Act, e-commerce, CAPI, RGPD), entrepôt de données (BigQuery, Snowflake, PostgreSQL, ClickHouse), modèles (Airflow, dbt, Dataform), dashboards décisionnels (Looker, Power BI, Metabase, SQL, Python).
- Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
- Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.